[发明专利]一种改进的支持向量机结合激光诱导击穿光谱对钢铁材料的分类方法

说明书

技术领域

本发明涉及一种改进的支持向量机结合激光诱导击穿光谱对钢铁材料的分类方法，具体来说是基于激光诱导击穿光谱通过改进的支持向量机对钢铁样品分类，属于光谱分析技术领域。

背景技术

钢材作为工业、农业等多个基础行业的重要原材料，有着极大的共需量。其标号种类繁多，不同种类钢材的成分用途千差万别，但规格尺寸大多相似，凭肉眼和经验很难在现场快速识别出不同标号的钢材。在炼钢企业、钢材市场、进出口码头等囤积大量钢材的地方，由于产品数量种类繁多，难免出现混淆。此外，由于不同厂家的生产工艺和原材料来源不同，即使同一标号的产品，其成分、性能也会存在差异。传统分析方法都需要取样后在实验室进行分析化验，步骤非常繁琐，检测时间长，不能完成快速的在线检测任务，此时就需要一种能够快速准确识别钢材种类和成分信息的现场检测技术。

激光诱导击穿光谱(laser-induced breakdown spectroscopy, LIBS)是一种基于原子发射光谱的检测物质组分与含量的分析技术。强激光脉冲聚焦在样品上形成等离子体，在等离子体冷却过程中，样品中处于激发态的原子和离子向低能级或基态跃迁产生特定频率的特征发射谱线。由于发射谱线和特定元素一一对应而且谱线强度与对应元素含量之间具有一定的量化关系，从而可实现对样品化学元素的定性和定量分析，而根据不同种类物质光谱的特性，借助化学计量学方法则能够判别其所属类别从而实现对物质的分类。LIBS分析简便、快速，不需要样品预处理并能同时进行多元素测定，因此钢铁样品的现场检测上有很大的应用潜力。

支持向量机（Support vector machine, SVM）是一种基于统计学习理论的机器学习算法。它以训练误差作为优化问题的约束条件，以置信范围值最小化作为优化目标，即SVM是一种基于结构风险最小化准则的学习方法，因此其推广能力明显优于基于经验风险最小化的传统机器学习方法。支持向量机通过引入核函数把基于内积运算的线性算法非线性化，将输入样本空间非线性映射到新的高维特征空间，在高维空间中进行相应的线性操作，从而实现非线性关系向线性关系的转化，在解决小样本、非线性及高维模式识别中表现出许多特有的优势。

发明内容

本发明的目的是通过一种改进的支持向量机建模分类方法——组合模型——结合激光诱导击穿光谱实现对多种钢材的快速准确判别分类。

本发明实现过程如下：

一种改进的支持向量机结合激光诱导击穿光谱对钢铁材料的分类方法，包括以下步骤：

(1) 利用激光诱导击穿光谱系统对不同牌号的钢材样品分别在不同的测量位点进行光谱数据采集；

(2) 从每种牌号样品的光谱数据中随机挑选占其数据总量2/3的光谱数据作为训练集，其余光谱数据作为测试集；

(3) 本发明中支持向量机使用多项式核函数；

(4) 使用训练集数据通过网格法对多项式参数d在1—10范围内和惩罚因子C在10^-5—10⁵范围内进行寻优；

(5) 确定最优参数后利用训练集数据建立支持向量机模型, 建模过程中使用多项式核函数，首先进行一对多建模分类，分别建立针对每一类的二元分类器，然后将测试集数据依次带入各分类器预测，综合各二元分类器的预测值得出一对多模型的预测结果；如果一对多模型判断该数据属于某一类别，则整个预测过程结束；如果一对多模型判断该数据同时属于多个类别，即出现多分类情况，则把数据可能属于的类别作为候选类别，并在这些候选类别范围内进行一对一建模分类；

(6) 一对一建模是将所有候选类别两两组合，每两个候选类别建立一个二元分类器，对于m类候选类别，则需建立m(m-1)/2个二元分类器，然后测试数据被所有二元分类器依次预测，综合所有分类器的预测值以投票方式决定最终预测类别；如果最高得票数的类别不止一种，则将最高得票数的所有类别作为新的候选类别，然后重复迭代上述一对一建模分类方法直至最终确定唯一类别，即为最终预测类别；或者连续两次候选类别完全相同，此时判定该数据“无法分类”。

上述步骤(5)中，建立针对每一类别的二元分类器，对于第i类数据，将训练集数据中属于第i类的数据设为正标签，其他所有类别的数据都设为负标签，总共k类数据则共需建立k个二元分类器。